Fugu-MT 論文翻訳(概要): ALT: A Python Package for Lightweight Feature Representation in Time Series Classification

論文の概要: ALT: A Python Package for Lightweight Feature Representation in Time Series Classification

arxiv url: http://arxiv.org/abs/2504.12841v1
Date: Thu, 17 Apr 2025 10:57:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-18 14:39:39.424167
Title: ALT: A Python Package for Lightweight Feature Representation in Time Series Classification
Title（参考訳）: ALT: 時系列分類における軽量な特徴表現のためのPythonパッケージ
Authors: Balázs P. Halmos, Balázs Hajós, Vince Á. Molnár, Marcell T. Kurbucz, Antal Jakovác,
Abstract要約: ALTは、効率的かつ正確な時系列分類(TSC)のために開発されたオープンソースのPythonパッケージである。このパッケージは適応法則変換(ALT)アルゴリズムを実装し、可変長シフト時間窓を用いて生の時系列データを線形に分離可能な特徴空間に変換する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We introduce ALT, an open-source Python package created for efficient and accurate time series classification (TSC). The package implements the adaptive law-based transformation (ALT) algorithm, which transforms raw time series data into a linearly separable feature space using variable-length shifted time windows. This adaptive approach enhances its predecessor, the linear law-based transformation (LLT), by effectively capturing patterns of varying temporal scales. The software is implemented for scalability, interpretability, and ease of use, achieving state-of-the-art performance with minimal computational overhead. Extensive benchmarking on real-world datasets demonstrates the utility of ALT for diverse TSC tasks in physics and related domains.
Abstract（参考訳）: 我々は、効率的な時系列分類(TSC)のために作られたオープンソースのPythonパッケージであるALTを紹介する。このパッケージは適応法則変換(ALT)アルゴリズムを実装し、可変長シフト時間窓を用いて生の時系列データを線形に分離可能な特徴空間に変換する。この適応的アプローチは、様々な時間スケールのパターンを効果的にキャプチャすることで、その前身である線形法則変換(LLT)を強化する。ソフトウェアはスケーラビリティ、解釈可能性、使いやすさのために実装され、最小の計算オーバーヘッドで最先端のパフォーマンスを実現する。実世界のデータセットの大規模なベンチマークは、物理および関連する領域における多様なTSCタスクに対するALTの有用性を示す。

関連論文リスト

Adaptive Law-Based Transformation (ALT): A Lightweight Feature Representation for Time Series Classification [0.0]
時系列分類は、金融、医療、環境モニタリングなど、多くの分野において基本的なものである。伝統的なTSC手法は、時系列データの本質的な複雑さと変動性に悩まされることが多い。キーデータパターンに基づいて特徴空間を変換する適応法則変換(ALT)を導入する。
論文参考訳（メタデータ） (2025-01-16T00:33:01Z)
STLight: a Fully Convolutional Approach for Efficient Predictive Learning by Spatio-Temporal joint Processing [6.872340834265972]
チャネルワイドおよび深度ワイドの畳み込みを学習可能な層としてのみ依存する,S時間学習のための新しい方法STLightを提案する。 STLightは、空間次元と時間次元を並べ替えることで、従来の畳み込みアプローチの限界を克服する。本アーキテクチャは,データセットや設定のSTLベンチマーク上での最先端性能を実現するとともに,パラメータや計算FLOPの計算効率を大幅に向上させる。
論文参考訳（メタデータ） (2024-11-15T13:53:19Z)
PRformer: Pyramidal Recurrent Transformer for Multivariate Time Series Forecasting [82.03373838627606]
Transformerアーキテクチャにおける自己保持機構は、時系列予測において時間順序を符号化するために位置埋め込みを必要とする。この位置埋め込みへの依存は、トランスフォーマーの時間的シーケンスを効果的に表現する能力を制限している、と我々は主張する。本稿では,Prepreを標準的なTransformerエンコーダと統合し,様々な実世界のデータセット上での最先端性能を示す。
論文参考訳（メタデータ） (2024-08-20T01:56:07Z)
Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
論文参考訳（メタデータ） (2024-05-22T16:41:21Z)
TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
時系列データは、その固有の長短の依存関係によって特徴づけられる。本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
論文参考訳（メタデータ） (2024-04-12T13:41:29Z)
Diffeomorphic Transformations for Time Series Analysis: An Efficient Approach to Nonlinear Warping [0.0]
多くの分野にわたる時間データの拡散と普遍性は、類似性、分類、クラスタリング手法への関心を喚起した。ユークリッドのような伝統的な距離測度は、時間に依存したデータの性質のため適していない。この論文は、パラメトリックおよび微分同相のワープ変換を用いる新しい弾性アライメント法を提案する。
論文参考訳（メタデータ） (2023-09-25T10:51:47Z)
Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
論文参考訳（メタデータ） (2023-03-14T15:51:35Z)
FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文参考訳（メタデータ） (2023-02-20T07:46:14Z)
A Time Series is Worth 64 Words: Long-term Forecasting with Transformers [4.635547236305835]
本稿では,時系列予測と自己教師型表現学習のためのトランスフォーマーモデルを提案する。 i) 時系列をサブシリーズレベルのパッチに分割し、Transformerへの入力トークンとして機能させる。 PatchTSTは、SOTA Transformerベースのモデルと比較して、長期予測精度を著しく向上させることができる。
論文参考訳（メタデータ） (2022-11-27T05:15:42Z)
CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文参考訳（メタデータ） (2022-07-31T21:39:15Z)
Stable, Fast and Accurate: Kernelized Attention with Relative Positional Encoding [63.539333383965726]
相対的位置符号化(RPE)を用いた変換器の注意計算を高速化する新しい手法を提案する。相対的な位置符号化がToeplitz行列を形成するという観測に基づいて、Fast Fourier Transform (FFT) を用いて、RPEによるカーネル化された注意を効率的に計算できることを数学的に示す。
論文参考訳（メタデータ） (2021-06-23T17:51:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。